Comment fonctionne le machine learning ? En Machine Learning (apprentissage automatique), on dispose d’un morceau de code, appelé algorithme, qui cherche des modèles (patterns) dans un grand nombre de données passées. Ce processus s’appelle l’apprentissage ou l’entraînement.
Un exemple concret #
Prenons la taille d’un adulte et la taille de son père : elles suivent un modèle de la forme taille du père = m × (taille de la personne) + c.
À partir des modèles observés, l’algorithme construit une équation mathématique en ajustant ses paramètres (ici m et c) : il cherche les meilleures valeurs, celles qui représentent le mieux les données. Le résultat s’appelle un modèle (par exemple : taille du père = 1 × taille de la personne + 0,5).
Avec ce modèle, si quelqu’un donne sa taille, on peut prédire celle de son père grâce à l’équation. Voici l’idée en quelques lignes de code, avec des valeurs fictives :
import numpy as np
from sklearn.linear_model import LinearRegression
# Données fictives : taille de la personne (X) et taille du père (y), en cm
X = np.array([[160], [165], [170], [175], [180], [185]])
y = np.array([163, 167, 171, 178, 181, 186])
modele = LinearRegression()
modele.fit(X, y) # entraînement : l'algorithme ajuste m et c
print(f"m = {modele.coef_[0]:.2f}, c = {modele.intercept_:.2f}")
print("Prédiction pour 172 cm :", modele.predict([[172]]).round(1))m = 0.94, c = 12.68
Prédiction pour 172 cm : [173.9]Ne m’en veux pas si la prédiction ne correspond pas à ta taille et à celle de ton père : les valeurs sont fictives !
Il existe une multitude d’algorithmes. En Machine Learning, on les étudie pour trouver celui qui établit les prédictions les plus précises sur tes nouvelles données.
Applications du Machine Learning #
Le Machine Learning est partout autour de nous et rend nos vies plus pratiques. Voici quelques exemples :
- Systèmes de recommandation : sur une plateforme de streaming, tu regardes quelques films de science-fiction et la plateforme t’en suggère d’autres. L’algorithme analyse tes choix et ceux d’autres spectateurs pour te recommander des contenus qui te plairont.
- Assistants virtuels (Siri, Alexa, Google Assistant) : ils comprennent tes commandes vocales et te répondent. Le Machine Learning leur permet de reconnaître les schémas vocaux et d’améliorer leur compréhension de ta voix au fil du temps.
- Voitures autonomes : elles interprètent les données des capteurs et des caméras pour prendre des décisions (s’arrêter, avancer, changer de voie) et apprennent à naviguer en observant le trafic réel.
- Détection de fraudes : quand ta banque repère une activité inhabituelle sur ton compte, un algorithme a analysé tes habitudes de dépenses et signalé les transactions qui s’écartent de la norme.
- Diagnostic médical : le Machine Learning aide à analyser des images médicales (radiographies, IRM) pour repérer rapidement des anomalies, et à prédire l’évolution des patients à partir de données historiques.
Ces applications ne sont que la partie émergée de l’iceberg : les possibilités sont immenses dans de nombreux domaines, et prédire de nouvelles données, c’est presque magique, non ?
Types d’apprentissage automatique #
L’essentiel est de trouver le meilleur algorithme pour tes données. Les algorithmes se classent en 4 grandes catégories, détaillées dans les tutoriels suivants :
- L’apprentissage supervisé
- L’apprentissage non supervisé
- L’apprentissage semi-supervisé
- L’apprentissage par renforcement
Pour aller plus loin, consulte aussi notre sélection des 10 meilleurs algorithmes d’apprentissage automatique pour les data scientists débutants.
Le Machine Learning se comprend en codant. Sur DataXp, tu pars de Python et pandas pour arriver aux exercices de ML, avec un coach IA qui t’explique tes erreurs.
